II.10Разработка и эксплуатация AI/ML-систем

Карточка модели maitrix-org/Voila-chat на Hugging Face совпадает с карточкой maitrix-org/Voila-Tokenizer, поэтому описание составлено по ней. Voila-Tokenizer — аудиотокенизатор семейства Voila от Maitrix, построенный на архитектуре EnCodec и представленный в формате safetensors. Он предназначен для преобразования аудио в представление, пригодное для работы голосовых языковых моделей и обратного преобразования в аудио; в карточке Hugging Face основная задача отмечена как audio-to-audio. Проект Voila описывает применение токенизатора в единой системе голосовых задач, включая распознавание речи, синтез речи, перевод речи и голосовой диалог в реальном времени. В метаданных перечислены английский, китайский, французский, немецкий, японский и корейский языки. Для семейства Voila заявлены потоковая обработка с низкой задержкой и поддержка множества голосов; конкретные параметры и результаты для этого токенизатора отдельно не приведены. Модель распространяется по лицензии MIT.

LeBenchmark wav2vec2-FR-1K-large — предварительно обученный самоконтролируемый речевой энкодер архитектуры wav2vec 2.0, разработанный командой LeBenchmark. Модель Large обучена на 1 000 часах французской речи; в метаданных указано около 402,7 млн параметров. Она извлекает речевые представления и предназначена для последующего дообучения или использования как замороженный энкодер в задачах обработки речи, включая распознавание речи, распознавание говорящего и разделение источников. Модель принимает аудио и выдаёт векторные представления. Она охватывает французскую речь, а обучающие данные включали равное количество часов мужской и женской речи. В репозитории представлены варианты весов Flax, PyTorch и safetensors. Лицензия — Apache-2.0. Для ASR README предупреждает, что результаты с CTC не обязательно будут соответствовать современному передовому уровню; некоторые связанные корпуса могут быть доступны не полностью.

GetmanY1/wav2vec2-large-fi-150k — крупная модель Wav2Vec2, разработанная Ярославом Гетманом и Тамашем Гросом. Она предварительно обучена на 158 тысячах часов неразмеченной финской речи с использованием целевой функции Wav2Vec2 и предназначена для последующего дообучения на задачах обработки речи, в частности распознавания речи и распознавания эмоций в речи. Модель содержит около 402,7 млн параметров, принимает аудио с частотой дискретизации 16 кГц и выдаёт аудиопредставления; у неё нет токенизатора, поэтому для распознавания речи необходимо создать токенизатор и дообучить модель на размеченных текстовых данных. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. При предварительном обучении использовались аудиозаписи длительностью до 60 секунд, поэтому модель, вероятно, лучше подходит для коротких фрагментов. Значительная часть данных взята из финских радио- и телеархивов, что может смещать модель в сторону голосов ведущих и разговорного финского; в обучающих данных могли присутствовать музыка и другие неречевые звуки.

PereLluis13/Wav2Vec2-Large-XLSR-53-catalan — модель распознавания каталонской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на датасете Common Voice 6. Она использует архитектуру Wav2Vec2 с CTC-декодированием и содержит около 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт текстовую расшифровку на каталонском языке. Модель подходит для распознавания речи в аудиозаписях и оценки качества ASR на каталонском материале Common Voice. В карточке приведён результат 8,11% на тестовой выборке Common Voice; автор предупреждает, что существуют более новые каталонские модели, обученные на Common Voice 8 и показывающие лучшие результаты. Лицензия — Apache-2.0.

Это акустическая модель распознавания речи на базе Wav2Vec 2.0 Large XLSR-53, разработанная Qiantong Xu, Alexei Baevski и Michael Auli и дообученная на многоязычном наборе Common Voice. Модель содержит 403,1 млн параметров и предназначена для распознавания фонетических меток в нескольких языках, включая перенос на языки, не представленные при дообучении. На вход подаётся аудио с частотой дискретизации 16 кГц, на выходе — строка фонетических меток. Чтобы получить слова, требуется словарь, сопоставляющий метки словам; сама модель не выдаёт обычную текстовую транскрипцию. Чекпойнт реализован как Wav2Vec2ForCTC и опубликован в формате PyTorch. Распространяется по лицензии Apache-2.0.

Or4kool/wolof_asr-lm — модель распознавания речи на волоф, подготовленная на основе Or4kool/wolof_asr и дополненная KenLM n-граммной языковой моделью для декодирования с поиском по лучу. Она предназначена для преобразования аудиозаписей на волоф в текст; декодер использует параметры alpha=0.9 и beta=0.0 и рассчитан на подключение в сервис Wolof ASR. Базовая архитектура — Wav2Vec2ForCTC; в репозитории используются веса Safetensors, размер модели составляет около 402,7 млн параметров. Лицензия в предоставленных данных не указана.

Salesforce xLAM-2-1b-fc-r — модель семейства Large Action Models на архитектуре Qwen2 с 1,5 млрд параметров, предназначенная для диалогового взаимодействия и вызова функций в агентных системах. Она принимает текстовые запросы и формирует текстовые ответы, в том числе вызовы инструментов в предусмотренном шаблоне диалога. Модель дообучена для задач function calling и многошагового использования инструментов. Она рассчитана на автоматизацию рабочих процессов: агент может интерпретировать намерение пользователя и выбирать действия через доступные функции. Контекст составляет 32 768 токенов; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors и поддерживает Transformers; карточка также описывает использование с vLLM. Модель разработана Salesforce и выпущена для исследовательских целей. README заявляет улучшения в многоходовых сценариях и результаты семейства xLAM-2 на тестах BFCL и τ-bench, но приведённые сравнения относятся к более крупным вариантам семейства и не подтверждают конкретные показатели этой модели на 1B. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

Мультиязычный классификатор токсичности TextDetox на базе XLM-RoBERTa large, дообученный на наборе textdetox/multilingual_toxicity_dataset для бинарного определения токсичного текста. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. Модель предназначена для выявления токсичных сообщений в многоязычных текстовых потоках, например при модерации комментариев и анализе пользовательского контента. В README приведены результаты на сбалансированной тестовой выборке: F1 0,871 по всем языкам, 0,965 для английского и 0,979 для русского. Метаданные перечисляют поддержку английского, русского, украинского, испанского, немецкого, амхарского, арабского, китайского и хинди. Модель распространяется по лицензии OpenRAIL++. Классификатор выдаёт метку токсичности и не заменяет контекстную модерацию: представленные метрики относятся к указанной тестовой выборке, а README не приводит результаты по каждому из девяти языков. Основа модели — FacebookAI/xlm-roberta-large.

Мультиязычный классификатор токсичности текста от TextDetox, созданный дообучением XLM-RoBERTa large на бинарной задаче классификации токсичности с использованием обновлённого датасета textdetox/multilingual_toxicity_dataset. Модель предназначена для автоматической проверки текстов и определения, относятся ли они к токсичным. Классификатор охватывает 15 языков. В карточке приведены оценки F1 0,9225 для английского, 0,9525 для русского и 0,96 для украинского. Модель имеет 658,7 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате Safetensors. Для использования требуется библиотека Transformers; лицензия — OpenRAIL++. Классификация бинарная и не объясняет причину присвоенной метки. Приведённые оценки относятся только к указанным языкам и могут не отражать качество на других текстах и доменах; автоматическую метку следует проверять в контексте предполагаемого применения.

XLM-RoBERTa Toxicity Classifier — модель Oleksii Zirka, дообученная на FacebookAI/xlm-roberta-base для многометочной классификации токсичности текста. Она относит текст к категориям токсичности, сильной токсичности, непристойности, угроз, оскорблений и ненависти к идентичности, а также выделяет нетоксичные сообщения. Модель предназначена для предварительной проверки пользовательских комментариев и поддержки систем модерации. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров, принимает текст и выдаёт метки классов. Контекст составляет до 514 токенов; модель обучалась на наборе Jigsaw Toxic Comment Classification и рассчитана прежде всего на английский язык, хотя базовая архитектура многоязычная. Распространяется по лицензии Apache-2.0.

Карточка модели amd/AMD-Llama-135m-code на Hugging Face совпадает с карточкой amd/AMD-Llama-135m, поэтому описание составлено по ней. AMD-Llama-135m — компактная языковая модель, разработанная AMD и обученная на ускорителях AMD Instinct MI250. Она использует архитектуру Llama 2 в виде причинной языковой модели LlamaForCausalLM, содержит около 109,5 млн параметров и имеет контекст длиной 2048 токенов. Для неё применяются токенизатор Llama 2 и формат весов safetensors. Модель предназначена для генерации продолжений текста и может использоваться как черновая модель для speculative decoding с Llama 2 и CodeLlama. Базовую версию предварительно обучали на SlimPajama и Project Gutenberg примерно на 670 млрд токенов. В карточке также описан отдельный вариант AMD-Llama-135m-code, дообученный на Python-разбиении StarCoder; это описание относится к варианту code, а не подтверждает наличие такого дообучения у данной модели. Небольшой размер упрощает эксперименты и использование в качестве черновой модели декодирования, но модель заметно компактнее современных универсальных LLM и имеет ограниченный контекст. В метаданных указана лицензия Apache-2.0.

AutoCompressor-Llama-2-7b-6k — языковая модель Princeton NLP, полученная дообучением meta-llama/Llama-2-7b-hf методом AutoCompressor из работы Adapting Language Models to Compress Contexts. Модель предназначена для сжатия длинного текстового контекста: сегменты текста кодируются в 50 векторов-сводок, которые затем используются как накопленное контекстное представление. Модель семейства Llama имеет 6,6 млрд параметров и рассчитана на последовательности до 6 144 токенов при обучении; метаданные указывают нативный контекст 4 096 токенов. Дообучение проводилось на 15 млрд токенов набора RedPajama. В README приведены результаты оценки perplexity при использовании сжатого контекста, а также описаны испытания на задачах in-context learning. Модель подходит для экспериментов и систем, которым нужно передавать большой текстовый контекст в компактном виде. Это не обычная чат-модель: карточка описывает сжатие контекста и оценки языкового моделирования, но не заявляет интерфейс диалога или генерацию краткого текста для пользователя. Лицензия — Apache-2.0.

Модель deepset/bert-base-german-cased-hatespeech-GermEval18Coarse — немецкоязычная модель BERT v1, разработанная deepset и дообученная для классификации текстов с целью выявления языка ненависти. Она предназначена для анализа немецких текстов и определения наличия hate speech в сценариях модерации и исследования онлайн-коммуникации. Модель содержит 136,3 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и Flax, включая safetensors. Лицензия — CC BY 4.0. Карточка не сообщает метрики качества и подробности о классах классификации.

HooshvareLab/bert-base-parsbert-uncased — одноязычная модель понимания персидского языка, разработанная командой HooshvareLab на архитектуре Google BERT Base. Это плотный трансформер с 190 млн параметров и контекстом до 512 токенов; модель предварительно обучена на корпусе из более чем 2 млн персидских документов разных жанров, включая научные тексты, романы и новости. Веса доступны в форматах PyTorch, TensorFlow и Flax. Основная задача этой версии — предсказание замаскированных токенов (fill-mask): модель подставляет вероятные слова в пропуски в персидском тексте. ParsBERT также использовали как основу для доработки под анализ тональности, классификацию текстов и распознавание именованных сущностей; результаты карточки показывают сильные оценки на персидских наборах данных для этих задач. Модель использует uncased-токенизацию, предварительную обработку текста и сегментацию WordPiece. Модель предназначена для персидского языка. Указанная в метаданных задача — fill-mask; результаты для классификации и NER относятся к downstream-сценариям и могут требовать дополнительной настройки модели. Сведения о лицензии в предоставленных данных отсутствуют.

BETO — испаноязычная модель семейства BERT, разработанная командой из Universidad de Chile и предназначенная для работы с испанским текстом. Эта версия uncased не различает регистр букв и обучена с техникой Whole Word Masking на большом испанском корпусе. Она содержит около 137,1 млн параметров, использует архитектуру BertForMaskedLM и обрабатывает последовательности длиной до 512 токенов. Модель предназначена прежде всего для предсказания скрытых фрагментов текста: она помогает восстанавливать пропущенные слова и получать контекстные представления для последующей адаптации к испаноязычным задачам NLP. В карточке приведены результаты BETO на испанских бенчмарках, включая POS-разметку, распознавание именованных сущностей и классификацию документов; эти результаты относятся к оценкам модели в соответствующих задачах и не означают, что данный чекпойнт напрямую выдаёт все такие разметки без дополнительного обучения. Доступны веса для PyTorch, TensorFlow и JAX/Flax. Условия лицензирования в предоставленных сведениях не описаны.

Модель ruanchaves/bert-large-portuguese-cased-hatebr — версия BERTimbau large, дообученная автором на наборе HateBR для классификации португалоязычных текстов на оскорбительные и неоскорбительные. Она предназначена для автоматической модерации пользовательских сообщений и анализа оскорбительной речи. Модель использует архитектуру BERT для классификации последовательностей, содержит 433,2 млн параметров и принимает текст длиной до 512 токенов. Модель рассчитана на португальский язык. В README указано, что набор данных HateBR предназначен строго для академических и исследовательских целей; коммерческое и иное неакадемическое использование запрещено без предварительного письменного согласия SINCH. Это ограничение относится к набору данных и требует проверки условий лицензии самой модели отдельно.

willwade/byt5-g2p-multilingual — дообученная модель ByT5 на архитектуре T5, разработанная Will Wade для преобразования написания слов в фонемную транскрипцию IPA. Она принимает слово с языковым кодом и, где нужно, указанием языкового варианта, а выдаёт фонемы в согласованной с gruut записи, подходящей для использования в голосах семейства Piper. Модель обучена на гармонизированном корпусе из 4,12 млн пар для 142 языков и языковых вариантов; число параметров по метаданным — 364,6 млн. Доступны веса safetensors и проверенная пара ONNX-моделей; для ONNX требуется соблюдать описанные в README правила кодирования токенов и декодирования. Модель предназначена для построения произношений в многоязычных голосовых и речевых системах, а также для подготовки фонетических словарей. В тестировании на выборке из 4 тысяч примеров точность полного совпадения составила 0,730 по микроусреднению и 0,617 по макроусреднению. Лицензия — CC BY-SA 4.0. Это преобразователь графем в фонемы, а не модель, генерирующая аудиосигнал; качество зависит от языка, варианта произношения и соответствия входного языкового тега обучающим данным.

hfl/chinese-xlnet-base — предобученная на китайском языке модель семейства XLNet, представленная HFL. Она предназначена для использования как ресурс для задач обработки китайского естественного языка и может служить основой для дальнейшей настройки под конкретные сценарии. Архитектура — XLNetLMHeadModel, размер — 137,8 млн параметров; модель доступна в форматах PyTorch и TensorFlow. В карточке указана задача text-generation, однако README описывает модель прежде всего как китайский предобученный чекпойнт для широкого круга задач NLP. Модель основана на официальном проекте XLNet от CMU и Google. Лицензия — Apache-2.0.

Это неофициальное зеркало чекпойнта Co-DINO, размещённое dronefreak; исходные метод, архитектура и веса созданы Zhuofan Zong, Guanglu Song и Yu Liu из SenseTime X-Lab. Модель использует Co-DETR с головой CoDINOHead и пятишкальным ViT-L на базе EVA-02 с 304 млн параметров. Обучение проходило на Objects365, затем чекпойнт дообучили на COCO; он предназначен для обнаружения объектов и сегментации экземпляров в 80 категориях COCO. Модель подходит как базовая точка для экспериментов, компонент системы компьютерного зрения или отправная точка для дообучения на собственных данных. На инференсе основными являются рамки объектов, также доступна вспомогательная масочная ветвь. Авторы сообщают box AP 65,8 и mask AP 56,6 на COCO val2017; автор зеркала эти показатели независимо не воспроизводил. Для запуска нужны код проекта Co-DETR и устаревший стек OpenMMLab 1.x (MMDetection 2.25.3, MMCV-full 1.5.0, PyTorch 1.11); поддержки Transformers и pipeline() нет. Лицензия в метаданных не определена.

Confucius3-Math-DFlash — черновая модель DFlash для ускорения спекулятивного декодирования модели netease-youdao/Confucius3-Math. Это плотная архитектура DFlashDraftModel на базе семейства Qwen3, предназначенная для работы в связке с целевой моделью через vLLM; в README указаны 5 слоёв, блок из 16 токенов и около 1,5 млрд параметров, тогда как метаданные каталога указывают 2,2 млрд параметров. Модель использует скрытые состояния целевой модели и предлагает черновые продолжения, которые затем проверяются целевой моделью. Основной сценарий — ускорение вывода Confucius3-Math при решении математических задач с рассуждениями, особенно при одиночном потоке запросов и низкой задержке. В README приведены результаты на GSM8K и MATH-500: средняя длина принятого продолжения составляет 5,47 и 5,79 токена соответственно; скорость измерялась на одном H200 с vLLM 0.22. Эти показатели зависят от оборудования, конфигурации и запроса. Для работы требуются совместимая целевая модель, vLLM версии 0.20.1 или выше и режим speculative decoding; README также указывает необходимость trust-remote-code. Контекст модели — 40 960 токенов. Лицензия — Apache-2.0.

Cosmos-Reason2-2B-W4A16-Edge2 — оптимизированная Embedl версия мультимодальной модели NVIDIA Cosmos-Reason2-2B. Она принимает текст и изображения или видео и генерирует текст; предназначена для рассуждений по визуальным данным, диалогового взаимодействия, видеоаналитики и планирования, в том числе на периферийных устройствах NVIDIA, таких как Jetson Orin Nano Super. Веса квантованы до INT4, активации и отдельные чувствительные слои сохранены в FP16. По заявлению README, смешанная точность почти не снижает точность и сохраняет двукратное ускорение; для некоторых периферийных конфигураций могут потребоваться пропатченная сборка vLLM и оптимизации Embedl. Лицензия указана как Apache 2.0, при этом оптимизированные компоненты распространяются по Embedl Models Community Licence v1.0 без права перераспространения.

timm/crossvit_15_dagger_240.in1k — модель классификации изображений семейства CrossViT, обученная авторами исследования на ImageNet-1k. Она использует многомасштабный Vision Transformer с перекрёстным вниманием и может применяться как классификатор или как визуальная основа для извлечения признаков. Модель содержит 28,2 млн параметров, требует изображение размером 240 × 240 пикселей и имеет вычислительную сложность 6,1 GMAC. Её можно использовать для присвоения изображениям классов ImageNet-1k и получения эмбеддингов изображений. Доступны веса PyTorch и SafeTensors; библиотека модели — timm. Лицензия — Apache-2.0. Модель рассчитана на задачи компьютерного зрения общего назначения, однако обучение на ImageNet-1k ограничивает применимость классификации набором классов и распределением данных этого датасета. Для других предметных областей может потребоваться дообучение или отдельная проверка качества.

Это предварительно обученная модель распознавания лиц ADAFace IR50 MS1MV2, опубликованная проектом CVLFace. Она извлекает признаки лица из входного изображения и предназначена для построения систем сравнения и распознавания лиц. Модель связана с исследовательской работой «AdaFace: Quality Adaptive Margin for Face Recognition» и обучена на наборе MS1MV2; для использования следует учитывать лицензию обучающих данных и цитировать исходную работу. В репозитории представлены веса в формате safetensors. Карточка не сообщает размер модели и численные ограничения качества; применение зависит от качества изображения и соблюдения условий лицензии обучающего набора.

izumi-lab/deberta-v2-base-japanese — базовая модель DeBERTaV2, разработанная izumi-lab и предварительно обученная на японских текстах для восстановления замаскированных токенов. Она предназначена для masked language modeling и может служить основой для дообучения на задачах понимания японского языка; в README приведены результаты дообучения на наборах JGLUE для сходства предложений, вывода и вопросов на здравый смысл. Модель содержит 137,8 млн параметров, использует плотную архитектуру DeBERTaV2 с головой masked language modeling и SentencePiece-токенизатором с японским словарём. Максимальная длина последовательности при обучении и нативный контекст составляют 512 токенов. Предварительное обучение проводилось на японских частях CC-100, mC4 и OSCAR2301, а также на японской Википедии и Wikinews. Модель принимает текст и предсказывает замаскированные фрагменты. README сообщает сильные результаты после дообучения на нескольких задачах JGLUE, но это не готовая чат-модель и для классификации или вывода её необходимо отдельно дообучать. Распространяется по лицензии CC BY-SA 4.0.

zeromodels/dinov2-giant — конверсия модели DINOv2 от Facebook AI Research, опубликованная проектом zeromodels в формате Keras 3. Это самообученный визуальный энкодер ViT-g/14 с архитектурой SwiGLU FFN: он извлекает признаки и патч-токены из изображений для последующего использования в задачах компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX. Модель предназначена для использования как визуальный бэкбон с последующими специализированными головами, например для классификации или локализации объектов. Она не содержит готовой целевой головы и не решает такие задачи напрямую. Распространяется по лицензии Apache 2.0.

timm/edgenext_base.in21k_ft_in1k — модель классификации изображений из семейства EdgeNeXt, опубликованная авторами проекта timm. Она предварительно обучена на ImageNet-21k-P (подвыборка winter21), а затем дообучена авторами статьи на ImageNet-1k. Модель также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. EdgeNeXt сочетает свёрточные и Transformer-подобные компоненты и предназначена для задач компьютерного зрения, в том числе мобильных сценариев. В модели около 18,5 млн параметров и 3,8 GMACs; размер изображения при тестировании — 320 × 320 пикселей. Репозиторий содержит веса PyTorch и SafeTensors, библиотека — timm. Лицензия — MIT. Модель классифицирует изображения по категориям ImageNet и может служить основой для извлечения визуальных признаков. Её результаты и область применения связаны с распределением ImageNet; карточка не подтверждает качество на специализированных наборах изображений или других задачах без дополнительной адаптации.

CoderBak поддерживает набор преобразованных артефактов Pangram EditLens RoBERTa-large для локального определения степени редактирования текста с помощью ИИ. В основе — классификатор последовательностей RoBERTa с 454,1 млн параметров и четырьмя выходными классами; модель принимает текстовые последовательности длиной до 514 токенов и ориентирована на английский язык. Набор включает исходные веса PyTorch FP32 и варианты ONNX FP32, FP16 и экспериментальный INT8. Нового обучения не проводилось, улучшение точности не заявляется. Модель предназначена для классификации текста при оценке возможного редактирования с помощью ИИ и для локального инференса на CPU или совместимом ускорителе. В проверке конверсии на 24 синтетических примерах FP32 сохранил совпадение верхнего класса со всеми примерами, FP16 — также со всеми; INT8 изменил верхний класс в одном случае и заметно сдвинул вероятность, поэтому этот вариант требует отдельной оценки. Модель может давать ложноположительные и ложноотрицательные результаты, особенно на данных вне обучающего распределения. Вывод не доказывает авторство или нарушение правил; качество не установлено для коротких публикаций, неанглийского текста, OCR-ошибок, научного письма или конкретных прикладных областей. Лицензия CC BY-NC-SA 4.0 разрешает использование на некоммерческих условиях с соблюдением атрибуции и других условий лицензии.

EfficientNet-B0 — свёрточная модель компьютерного зрения, представленная Mingxing Tan и Quoc V. Le и обученная на ImageNet-1k. Она классифицирует изображения по 1000 классам ImageNet; модель рассчитана на входное разрешение 224×224 пикселя. Архитектура использует свёрточные слои и метод составного масштабирования, который согласованно меняет глубину, ширину и разрешение сети. Модель ориентирована на эффективную классификацию изображений и может служить отправной точкой для поиска дообученных вариантов под конкретные задачи. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка описывает классификацию изображений; специализированные задачи и ограничения за пределами этого назначения не заявлены.

Parveshiiii/Embedding — конвертированная модель на архитектуре XLM-RoBERTa large с объединением представления CLS для получения эмбеддингов текста. В README указано, что модель ещё не обучена; её можно дообучить для задач векторного представления текста. Модель основана на FacebookAI/xlm-roberta-large и содержит 658,7 млн параметров. Она принимает текст и формирует векторные представления, которые могут использоваться для поиска похожих предложений и извлечения признаков. Базовая XLM-RoBERTa рассчитана на 100 языков; у самой модели нет подтверждённых результатов обучения эмбеддингов. Репозиторий использует Sentence Transformers и формат safetensors, лицензия — Apache-2.0.

Модель Hate-speech-CNERG/english-abusive-MuRIL предназначена для выявления оскорбительной речи на английском языке. Это дообученная для классификации последовательностей модель семейства BERT на основе MuRIL, обученная на датасете английской оскорбительной речи. Она относит текст к одному из двух классов: обычный или оскорбительный. Модель подходит для автоматической модерации англоязычных сообщений и анализа текстов на оскорбления. Архитектура содержит около 264,8 млн параметров, контекст ограничен 512 токенами. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — AFL-3.0.